1.一种基于多视角编码器的法律判决预测系统，其特征在于，包括：表示学习模块、特征学习模块、融合模块、预测概率分布模块；

所述表示学习模块用于获取案例和法律条文的文本特征；

所述特征学习模块用于对所述案例的文本特征进行特征学习，获得所述案例的文本特征的不同表示；

所述融合模块用于将所述案例的文本特征的不同表示与所述法律条文的文本特征进行融合，获得案例综合描述；

所述概率分布模块基于所述案例综合描述获得法律判决的预测概率分布。

2.根据权利要求1所述的基于多视角编码器的法律判决预测系统，其特征在于，所述法律条文的文本特征包括法条概念和处罚刑期。

3.根据权利要求1所述的基于多视角编码器的法律判决预测系统，其特征在于，所述特征学习模块包括编码器；所述编码器包括DAN编码器、词‑句编码器、Transformer编码器；所述编码器采用注意力分布学习和特征学习。

4.根据权利要求3所述的基于多视角编码器的法律判决预测系统，其特征在于，所述注意力分布学习的具体过程为：计算不同所述编码器的注意力权重，对各所述注意力权重进行加权，并求和完成注意力分布特征学习。

5.根据权利要求1所述的基于多视角编码器的法律判决预测系统，其特征在于，所述预测概率分布包括罪名预测、相关法条预测、处罚刑期预测。

6.一种基于多视角编码器的法律判决预测方法，其特征在于，包括以下步骤：S1、采集案例描述和法律条文，获取案例和法律条文的文本特征；

S2、对所述案例的文本特征进行特征学习，获得所述案例的文本特征的不同表示；

S3、将所述案例的文本特征的不同表示与所述法律条文的文本特征进行融合，获得案例综合描述；

S4、基于所述案例综合描述，获得法律判决的预测概率分布。

7.根据权利要求6的所述基于多视角编码器的法律判决预测方法，其特征在于，所述S1中案例和法律条文的文本特征获取分别采用词嵌入算法和TF‑工DF算法。

8.根据权利要求6的所述基于多视角编码器的法律判决预测方法，其特征在于，所述预测概率分布包括：

法律条文预测概率分布 为：

式中，It为案例综合描述，W1和b1分别表示法律条文预测的权重矩阵和偏差向量；

罪名预测概率分布 为：

式中，It为案例综合描述，W2和b2分别表示罪名预测的权重矩阵和偏差向量；

处罚刑期预测概率分布Ip为：

Ip＝Add(max(swish(WpMp+bp))，It)式中，It为案例综合描述，Mp为通过词嵌入得到处罚刑期描述的关键词向量表示，Wp和bp分别是全连接层的权重矩阵和偏差向量，Add()是矩阵相加的操作，max()是最大池化层，W3和b3分别表示处罚刑期预测的权重矩阵和偏差向量。

9.根据权利要求8的所述基于多视角编码器的法律判决预测方法，其特征在于，所述法律判决的预测概率分布的标签选择具体为：对法律条文的预测概率分布：选择预测概率大于0.5的所有法律条文作为标签，若不存在概率大于0.5的法律条文，则选择概率最大的法律条文作为最终标签；

对罪名的预测概率分布：首先将罪名标签根据归属分为不同的类别，并获取每一所述类别中最大概率的罪名标签，最后选择预测概率大于0.5的所有罪名作为标签，若不存在概率大于0.5的罪名，则选择概率最大的罪名作为最终标签；

对处罚刑期的预测概率分布：选择预测概率最大的处罚刑期标签作为最终标签。